Abstract Functional connectivity (FC) refers to the statistical dependencies between activity of distinct brain areas. To study temporal fluctuations in FC within the duration of a functional magnetic resonance imaging (fMRI) scanning session, researchers have proposed the computation of an edge time series (ETS) and their derivatives. Evidence suggests that FC is driven by a few time points of high-amplitude co-fluctuation (HACF) in the ETS, which may also contribute disproportionately to interindividual differences. However, it remains unclear to what degree different time points actually contribute to brain-behaviour associations. Here, we systematically evaluate this question by assessing the predictive utility of FC estimates at different levels of co-fluctuation using machine learning (ML) approaches. We demonstrate that time points of lower and intermediate co-fluctuation levels provide overall highest subject specificity as well as highest predictive capacity of individual-level phenotypes.

Abstract Precision medicine and the investigation of brain-behavior associations require biomarkers that are stable (low intraindividual variability) and unique (high interindividual variability) at the same time, hence calling them “fingerprints”. The functional connectome (FC) has good “fingerprint properties”, as individuals can be accurately identified in a database based on their FC. Importantly, research has shown lower intraindividual variability of more localized measures of brain function such as regional homogeneity (ReHo) and (fractional) amplitude of low-frequency fluctuations ((f)ALFF), compared to the FC. Here, with fMRI data from two publicly available datasets we demonstrate that individuals can be identified with near-perfect accuracies using local functional fingerprints, and especially the regional homogeneity (ReHo) fingerprint. Further analyses reveal that the dorsal attention network contributes most to the individual “uniqueness” of the ReHo fingerprint. Moreover, using a machine-learning setup, we show that the small intraindividual ReHo fingerprint variability across sessions is meaningful for explaining individual-level intelligence. Last, using two other publicly available datasets, clinical applicability is shown with high fingerprint accuracies and a significant correlation between fingerprint stability and intelligence in individuals with schizophrenia. Altogether, our findings suggest that the ReHo fingerprint is a good candidate for further exploration of applicability in precision medicine.

In this study, we aimed to compare imaging-based features of brain function, measured by resting-state fMRI (rsfMRI), with individual characteristics such as age, gender, and total intracranial volume to predict behavioral measures. We developed a machine learning framework based on rsfMRI features in a dataset of 20,000 healthy individuals from the UK Biobank, focusing on temporal complexity and functional connectivity measures. Our analysis across four behavioral phenotypes revealed that both temporal complexity and functional connectivity measures provide comparable predictive performance. However, individual characteristics consistently outperformed rsfMRI features in predictive accuracy, particularly in analyses involving smaller sample sizes. Integrating rsfMRI features with demographic data sometimes enhanced predictive outcomes. The efficacy of different predictive modeling techniques and the choice of brain parcellation atlas were also examined, showing no significant influence on the results. To summarize, while individual characteristics are superior to rsfMRI in predicting behavioral phenotypes, rsfMRI still conveys additional predictive value in the context of machine learning, such as investigating the role of specific brain regions in behavioral phenotypes.

Abstract Changes in spontaneous brain activity at rest provide rich information about behavior and cognition. The mathematical properties of resting-state functional magnetic resonance imaging (rsfMRI) are a depiction of brain function and are frequently used to predict cognitive phenotypes. Individual characteristics such as age, gender, and total intracranial volume (TIV) play an important role in predictive modeling of rsfMRI (for example, as “confounders” in many cases). It is unclear, however, to what extent rsfMRI carries independent information from the individual characteristics that is able to predict cognitive phenotypes. Here, we used predictive modeling to thoroughly examine the predictability of four cognitive phenotypes in 20,000 healthy UK Biobank subjects. We extracted common rsfMRI features of functional brain connectivity (FC) and temporal complexity (TC). We assessed the ability of these features to predict outcomes in the presence and absence of age, gender, and TIV. Additionally, we assessed the predictiveness of age, gender, and TIV only. We find TC and FC features to perform comparably with regard to predicting cognitive phenotypes. As compared to rsfMRI features, individual characteristics provide systematically better predictions with smaller sample sizes and, to some extent, in larger cohorts. It is also consistent across different levels of inherent temporal noise in rsfMRI. Our results suggest that when the objective is to perform cognitive predictions as opposed to understanding the relationship between brain and behavior, individual characteristics are more applicable than rsfMRI features.